Bądźmy w kontakcie
 Czas trwania 14 godzin

Plan Szkolenia

Wprowadzenie do Edge AI i Nano Banana

  • Kluczowe cechy obciążeń AI brzegowej
  • Architektura i możliwości Nano Banana
  • Porównanie strategii wdrażania brzegowego i chmurowego

Przygotowanie modeli do wdrożenia brzegowego

  • Wybór modelu i ocena bazowa
  • Rozważania dotyczące zależności i kompatybilności
  • Eksportowanie modeli do dalszej optymalizacji

Techniki kompresji modeli

  • Strategie przycinania i rzadkość strukturalna
  • Współdzielenie wag i redukcja parametrów
  • Ocena skutków kompresji

Kwantyzacja dla wydajności brzegowej

  • Metody kwantyzacji po treningu
  • Przepływy pracy treningu świadomego kwantyzacji
  • Podejścia INT8, FP16 i o mieszanej precyzji

Przyspieszanie z Nano Banana

  • Korzystanie z akceleratorów Nano Banana
  • Integracja ONNX i sprzętowych backendów
  • Testowanie porównawcze przyspieszonej inferencji

Wdrażanie na urządzenia brzegowe

  • Integrowanie modeli z aplikacjami wbudowanymi lub mobilnymi
  • Konfiguracja środowiska uruchomieniowego i monitorowanie
  • Rozwiązywanie problemów z wdrożeniem

Profilowanie wydajności i analiza kompromisów

  • Ograniczenia opóźnienia, przepustowości i termiki
  • Kompromisy między dokładnością a wydajnością
  • Iteracyjne strategie optymalizacji

Najlepsze praktyki utrzymania systemów Edge AI

  • Wersjonowanie i ciągłe aktualizacje
  • Wycofywanie modeli i zarządzanie kompatybilnością
  • Zagadnienia bezpieczeństwa i integralności

Podsumowanie i kolejne kroki

Wymagania

  • Zrozumienie przepływów pracy uczenia maszynowego
  • Doświadczenie w tworzeniu modeli w Pythonie
  • Znajomość architektur sieci neuronowych

Grupa docelowa

  • Inżynierowie ML
  • Analitycy danych
  • Praktycy MLOps

Liczba uczestników


Cena za uczestnika (netto)

Opinie uczestników (1)

Propozycje terminów

Powiązane Kategorie